Corey Spencer, Giám đốc điều hành và Phó chủ tịch cấp cao của AI tại UKG – Loạt bài phỏng vấn

Corey Spencer là Phó chủ tịch cấp cao và Tổng giám đốc Quản lý sản phẩm cho AI và Nền tảng tại UKG. Ông lãnh đạo chiến lược sản phẩm và đổi mới trên các sáng kiến AI, nền tảng và thông minh lực lượng lao động của UKG, giúp các tổ chức chuyển đổi dữ liệu lực lượng lao động thành thông tin hành động có thể định hình kết quả kinh doanh tích cực. Với hơn 20 năm kinh nghiệm, Spencer là một nhà lãnh đạo tư tưởng được kính trọng về tương lai của AI, thông minh lực lượng lao động và ứng dụng của AI vào công việc tuyến đầu.

UKG là một nhà cung cấp toàn cầu về quản lý vốn nhân sự, tiền lương và quản lý lực lượng lao động, được thiết kế để giúp các tổ chức quản lý và hỗ trợ nhân viên của họ một cách hiệu quả hơn. Nền tảng của công ty kết hợp nguồn nhân lực, tiền lương, lập lịch, thời gian và tham dự, tuân thủ, phân tích và thông tin lực lượng lao động được hỗ trợ bởi AI, phục vụ các doanh nghiệp từ các công ty nhỏ đến các doanh nghiệp toàn cầu lớn. Với 50 năm kinh nghiệm trong ngành, UKG hỗ trợ hơn 80.000 tổ chức trên 150 quốc gia, với hàng chục triệu người sử dụng giải pháp của họ mỗi ngày.

Bạn đã dành hơn hai thập kỷ giúp các doanh nghiệp hiểu rõ dữ liệu khách hàng, phân tích và lực lượng lao động trên các công ty như Adobe, Alteryx và UKG. Điều gì đã thuyết phục bạn rằng công nhân tuyến đầu, chứ không phải công nhân tri thức, đại diện cho một trong những cơ hội quan trọng và bị bỏ qua nhất cho AI ngày nay?

Điều đã thuyết phục tôi là đơn giản: tuyến đầu là nơi nền kinh tế thực sự hoạt động.

Chúng tôi đã chứng kiến sự tiến bộ đáng kể trong việc áp dụng AI vào công việc tri thức. Nhưng phần lớn và năng động nhất của lực lượng lao động thường bị phục vụ kém. Công nhân tuyến đầu đại diện cho đa số công nhân trên toàn cầu – lên đến 80% theo một số ước tính – và họ cung cấp năng lượng cho các ngành công nghiệp mà chúng ta tất cả phụ thuộc vào mỗi ngày: chăm sóc sức khỏe, bán lẻ, sản xuất, hậu cần, khách sạn và dịch vụ công cộng.

Đối với nhiều công ty, tuyến đầu cũng là một trong những phần lớn nhất của P&L. Đó là nơi chi phí lao động, trải nghiệm khách hàng, tuân thủ, an toàn, chất lượng dịch vụ và gắn kết của nhân viên tất cả đều hội tụ. Và yet, nó vẫn là một trong những phần kém tối ưu hóa nhất của doanh nghiệp.

Không phải vì công việc là đơn giản. Bởi vì nó vô cùng phức tạp.

Công việc tuyến đầu có thể được lên kế hoạch theo tuần hoặc tháng, nhưng nó thay đổi mỗi phút của mỗi ca. Một người gọi điện. Cầu tăng. Khối lượng bệnh nhân thay đổi. Một chuyến hàng bị chậm. Một quy tắc tuân thủ áp dụng khác nhau dựa trên vai trò, vị trí, chứng nhận hoặc giờ làm việc.

Các hệ thống doanh nghiệp truyền thống được xây dựng để ghi lại những gì đã xảy ra. Tuyến đầu cần công nghệ có thể giúp các tổ chức hành động trong khi quyết định vẫn còn quan trọng.

Đó là lý do tại sao AI lại quan trọng. AI có thể hiểu ngữ cảnh, ý định và ràng buộc, sau đó giúp điều phối hành động trên lịch, thời gian, tiền lương, nhân sự và hoạt động – với con người kiểm soát.

Đối với tôi, cơ hội là đóng khoảng cách giữa lập kế hoạch lực lượng lao động và thực hiện lực lượng lao động. Khi chúng ta làm điều đó, nhân viên sẽ có trải nghiệm tốt hơn, các nhà quản lý sẽ được hỗ trợ ở quy mô mà không một cá nhân nào có thể xử lý alone, và các doanh nghiệp có thể hoạt động với tốc độ, độ chính xác và niềm tin nhiều hơn.

Đây không chỉ là một câu chuyện về năng suất. Đây là một câu chuyện về thực hiện.

Công nhân tuyến đầu chiếm đa số lực lượng lao động toàn cầu, nhưng phần lớn sự bùng nổ AI đã tập trung vào các công cụ năng suất văn phòng. Tại sao bạn nghĩ rằng ngành công nghiệp đã đánh giá thấp sự phức tạp và tầm quan trọng của môi trường tuyến đầu trong thời gian dài như vậy?

Tôi nghĩ rằng ngành công nghiệp đã đánh giá thấp tuyến đầu vì nó dễ dàng xây dựng AI cho công việc đã được số hóa.

Công việc văn phòng xảy ra trong tài liệu, email, cuộc họp, lịch và công cụ cộng tác. Điều đó đã làm cho nó trở thành một làn sóng đầu tiên tự nhiên cho AI. Nhưng tuyến đầu là khác. Nó là vật lý, phân tán, cao cấp và thay đổi liên tục. Và yet, nó đại diện cho đến 80% lực lượng lao động toàn cầu – những người thường không ngồi ở bàn làm việc, nhưng những người giữ cho các doanh nghiệp, cộng đồng và nền kinh tế hoạt động mỗi ngày.

Sự phức tạp không chỉ là công việc bản thân. Đó là dữ liệu xung quanh công việc. Chúng tôi may mắn vì UKG đã luôn tập trung vào tuyến đầu, vì vậy chúng tôi đã có một lợi thế khởi đầu nhiều thập kỷ trong lĩnh vực này.

Dữ liệu lực lượng lao động tuyến đầu vô cùng lớn và ồn ào. Nó đến từ lịch, thời gian, giờ làm việc, quy tắc trả lương, chứng nhận, dự báo lao động, vắng mặt, tín hiệu nhu cầu, yêu cầu tuân thủ, quyết định của nhà quản lý, sở thích của nhân viên và thay đổi hoạt động xảy ra trên hàng nghìn địa điểm và ca làm việc. Những tín hiệu này luôn thay đổi và phụ thuộc sâu vào ngữ cảnh – vai trò, vị trí, kỹ năng, chính sách, quy định, nhu cầu và thời gian.

Điều đó đã làm cho môi trường tuyến đầu trở nên khó phân tích một cách có ý nghĩa. Bằng thời gian nhiều tổ chức có thể hiểu những gì đã xảy ra, thời điểm để ảnh hưởng đến kết quả đã qua.

Đó là lý do tại sao AI tuyến đầu phải khác với AI năng suất văn phòng. Nó không thể chỉ tóm tắt thông tin hoặc tạo nội dung. Nó phải hiểu ngữ cảnh hoạt động, giải thích tín hiệu lực lượng lao động ồn ào và giúp con người hành động trong thời gian thực.

Đối với UKG, đây là cơ hội cốt lõi của kinh doanh và giải pháp như UKG Workforce Intelligence Hub. Tuyến đầu không cần một hệ thống ghi lại. Nó cần một hệ thống hành động – một hệ thống giúp các tổ chức chuyển đổi dữ liệu lực lượng lao động thành quyết định tốt hơn, thực hiện nhanh hơn và kết quả đáng tin cậy hơn cho nhân viên, nhà quản lý và doanh nghiệp.

Trong nhiều năm, phần mềm doanh nghiệp được xây dựng xung quanh công việc dễ dàng số hóa: bàn làm việc, tài liệu, cuộc họp, quy trình làm việc và công việc tri thức. Nhưng công việc tuyến đầu là khác. Nó là vật lý, phân tán, quy định, thời gian nhạy cảm và đặc thù ngành.

Một nhân viên bán lẻ, một y tá, một kỹ thuật viên sản xuất, một công nhân kho và một nhà quản lý khách sạn đều là công nhân tuyến đầu, nhưng môi trường hoạt động xung quanh mỗi người trong số họ là hoàn toàn khác nhau. Các đội bán lẻ có thể cần điều chỉnh lao động dựa trên lưu lượng, khuyến mãi, thời tiết hoặc sự kiện địa phương. Các đội chăm sóc sức khỏe cần người đúng với chứng chỉ đúng trong đơn vị đúng khi nhu cầu bệnh nhân thay đổi trong suốt cả ngày. Các đội sản xuất cân bằng kỹ năng, an toàn, giờ làm thêm, lịch sản xuất và quy tắc lao động.

Đó là sự phức tạp thực sự. Công việc có thể được lên kế hoạch theo tuần hoặc tháng, nhưng nó thay đổi mỗi phút của mỗi ca. Một lịch trình trông đúng vào thứ Hai có thể sai vào thứ Tư. Một kế hoạch nhân sự hoạt động vào 8 giờ sáng có thể bị hỏng vào 12 giờ trưa.

Historically, most systems could only record what happened after the fact. The frontline needs more than reporting. It needs action in the moment.

That is why AI is such an important tailwind. Agentic AI can understand context, intent, constraints, and business rules, then help managers and employees take action across scheduling, timekeeping, pay, HR, and operations.

We have spent decades working on these frontline challenges. What is different now is that AI gives us a way to transform them at a new level of speed, precision, and industry relevance.

The opportunity is not to make frontline work look like office work. It is to build technology that respects how frontline work actually happens — and helps people and businesses make better decisions in real time.

Building AI for a retail associate, nurse, warehouse worker, or hospitality employee is very different from building AI copilots for desk workers. What are the biggest technical and operational differences between those environments?

The biggest difference is that frontline AI cannot just live in a document, inbox, or chat window. It has to live in the flow of work.

For desk workers, AI often helps create, summarize, search, or analyze information. For frontline workers, AI has to understand what is happening in the operation right now — who is working, who is qualified, who is available, what demand looks like, what rules apply, and what action should happen next. That is a very different technical problem.

So the AI has to be contextual, industry-aware, and action-oriented. It has to understand roles, policies, labor rules, pay implications, schedules, certifications, and business priorities — and it has to do that with trust, explainability, and human oversight.

The operational difference is just as important. Frontline managers do not have time to interpret dashboards while the shift is moving. Employees do not want another system to navigate. AI has to be embedded, fast, intuitive, and useful in the moment.

That is why frontline AI is not simply a copilot for work. It is intelligence that helps organizations sense, decide, and act in real time.

You’ve spoken about the importance of real-time workforce data, including shifts, scheduling, payroll, and staffing signals. Why is real-time execution especially critical for frontline AI systems?

The challenge is not whether an organization has the data. Most enterprises are creating more workforce data than ever. The challenge is translating those signals into timely recommendations, guidance, and action — while the decision still matters.

That is why real-time execution is so critical for frontline AI. AI needs to understand what is happening, what constraints apply, and what the best next action should be. Do we adjust a schedule? Fill an open shift? Alert a manager? Prevent a compliance issue? Fix a payroll exception before it becomes an employee experience problem?

These may sound like small decisions, but across thousands of employees, shifts, and locations, small improvements compound quickly. Better coverage, fewer exceptions, smarter labor decisions, and faster manager action can create meaningful impact for employees and for the business.

This is the purpose of the UKG Workforce Intelligence Hub: to help organizations turn workforce data into better decisions and faster action, especially for the frontline.

We have a uniquely rich view across HR, pay, and workforce management — the areas where workforce strategy becomes operational reality. When that data is combined with industry and peer benchmarks, labor cost insights, and AI that can surface the most relevant takeaways and recommended actions, leaders get a much clearer view of what is happening, why it matters, and where to act.

For executives, that is the real value. It is not another dashboard to review. It is a tool to help manage labor more precisely, identify risks earlier, benchmark performance more effectively, and make decisions with greater confidence in the moments that matter.

Many organizations are exploring agentic AI, but there’s concern around autonomy, governance, and trust. What guardrails are necessary before enterprises can allow AI agents to take action in workforce management systems?

In workforce operations, AI agents need clear boundaries because the decisions are deeply human. They affect schedules, pay, compliance, coverage, fatigue, fairness, and employee trust. That means agents cannot simply optimize for speed or efficiency. They have to operate within policy, permissions, and purpose.

The most important guardrails are context, control, and accountability.

Context means the AI understands the employee, the role, the location, the labor rules, the business need, and the downstream impact. Control means the agent acts only within defined permissions, with the right level of human approval based on risk. Accountability means every recommendation or action is explainable, auditable, and reversible.

Some actions may be appropriate for an agent to execute automatically, like surfacing an open shift to qualified employees or alerting a manager to an overtime risk. Higher-impact actions, especially those involving pay, compliance, discipline, or material schedule changes, should require human review.

The goal is not to remove managers or HR teams from the process. It is to give them intelligent support at a scale no individual can manage alone.

Trusted agentic AI should turn intent into action — but always with transparency, governance, and people in the loop.

Every capability should undergo rigorous model validation, security review, privacy assessment, and ongoing monitoring before it reaches production.

UKG has discussed AI applications that can rebalance schedules, detect payroll anomalies, and accelerate hiring. Which of these use cases are already delivering measurable operational value today, and which are still early-stage?

The use cases delivering value fastest are the ones that remove friction from decisions managers and teams already have to make every day.

Payroll anomaly detection is an example everyone can likely relate to. Payroll is one of the highest-trust processes in any business, and it is especially complex for frontline and hourly employees. A missed punch, overtime issue, pay rule exception, or compliance problem can create hours of manual work and directly affect employee trust. AI can help identify issues earlier, explain what looks wrong, and guide teams toward resolution before payroll closes.

There’s some much more advanced examples we are very excited about though. One is real-time labor and schedule optimization. This is where UKG Dynamic Workforce Operations is so important. The value is not simply seeing that a store, unit, warehouse, or hotel is understaffed. The value is understanding what changed, what constraints apply, and what action a manager can take in the moment — whether that is filling an open shift, avoiding overtime risk, or protecting coverage. These decisions are made today by gut, often hours too late. Now, managers can get a recommendation backed by data before a human even knows there is a problem.

The third is frontline support in the flow of work. Through the UKG Frontline Worker Network, workforce data can help connect employees to support around wealth, health, and everyday essentials when those needs are most relevant. That is still an emerging category, but it is an important one because employee experience cannot live in a separate portal no one has time to use.

Hiring acceleration is also becoming very practical, especially in high-volume frontline environments where speed matters. Our AI-native UKG Rapid Hire has reduced the time from candidate interest to scheduled interview from weeks and days, to hours and even minutes in some cases. We’ve reduced repetitive work across sourcing, screening, scheduling, onboarding, and first-day readiness for frontline hiring at scale.

The real opportunity is not isolated automation. It is a workforce operating platform that can sense what is changing, recommend the next best action, and help organizations move from intent to action with the right governance and human oversight.

In sectors like healthcare, manufacturing, and logistics, small workforce disruptions can have immediate downstream consequences. How do you design AI systems that can respond quickly without creating additional operational risk?

Speed matters, but in frontline environments, speed without control is risk.

In healthcare, manufacturing, logistics, and other complex sectors, a small workforce disruption can ripple quickly. One absence can affect patient coverage. One skills gap can slow a production line. One missed staffing signal can delay deliveries or create overtime exposure.

So the goal is not to build AI that simply moves faster. The goal is to build AI that moves faster within the right constraints.

That starts with context. The AI has to understand who is qualified, what rules apply, what coverage is required, what compliance risks exist, and what the downstream impact of each action could be.

It also requires risk-based autonomy. Some actions can be recommended or executed with very low risk, like alerting a manager, identifying qualified replacements, or surfacing an open shift. Other actions should require human review, especially when they affect pay, compliance, safety, or material schedule changes.

The best frontline AI systems are designed to be explainable, auditable, and reversible. Managers need to know why a recommendation was made. Employees need to trust the process. And the business needs confidence that AI is improving execution without introducing new risk.

For us, the design principle is simple: AI should help organizations sense, decide, and act in real time — with people, policy, and governance built in from the start.

There’s growing concern among workers that AI could replace jobs, particularly in frontline industries. How do you balance automation with empowering employees rather than creating fear or uncertainty around AI adoption?

I think we have to separate automation hype from operational reality.

Over the last decade, we have seen plenty of examples where replacing frontline work proved much harder than expected. Self-checkout has had mixed results. Fully automated fast food has been more pilot than paradigm. Drone delivery still feels, for most people, like something from the future.

That is not because the technology is not powerful. It is because a large portion of frontline work remains deeply human.

Frontline employees handle exceptions, judgment, care, safety, service, empathy, and trust. A nurse is not just completing a task. A retail associate is not just moving inventory. A restaurant worker is not just fulfilling an order. These roles sit at the intersection of people, operations, compliance, and customer experience.

AI can remove the friction around frontline work: confusing schedules, missed punches, pay questions, open shifts, compliance complexity, staffing gaps, and administrative tasks that pull managers away from their teams. It can help employees get answers faster, help managers make better decisions, and help organizations operate with more precision.

The future of frontline AI is not about taking people out of work. It is about giving people better tools, better guidance, and more support in the moments that matter.

You’ve described AI as moving enterprise software from systems of record toward systems of intelligent action. How do you see workforce platforms evolving over the next five years as agentic AI becomes more embedded into day-to-day operations?

I would actually reframe that slightly. The question is not what workforce platforms will look like five years from now. The question is which organizations are building the foundation today to be leaders five years from now.

The pace of change in AI is too fast to treat this as a distant transformation. The advantage will go to organizations that move now from disconnected systems, clunky suites, and point solutions toward a true workforce operating platform — one that connects HR, pay, time, scheduling, workforce intelligence, and execution.

This is another example of where the UKG Workforce Intelligence Hub becomes important. As AI becomes more embedded in daily workforce operations, intelligence cannot sit off to the side as static reporting. It has to become part of how work gets understood, prioritized, and acted on. Organizations need an intelligence layer for frontline workforce operations to bring the right content into the right moment.

That matters because workforce operations are full of marginal gains and marginal losses. One missed staffing signal, one payroll exception, one compliance issue, one open shift, or one delayed manager decision may look small in isolation. But across thousands of employees, locations, and shifts, those moments compound quickly.

Agentic AI gives organizations a way to close that gap. It can understand what is changing, interpret the business context, recommend the next best action, and help people execute in real time with the right governance and human oversight.

Over the next five years, the leaders will not be the organizations that simply added AI features to existing workflows. They will be the ones that rethought workforce management as a system of intelligent action.

For executives, this is the urgency: the frontline is already moving in real time. Your technology needs to move with it. The organizations building that capability now will have a significant head start.

Looking ahead, do you believe the companies that win in enterprise AI will be the ones with the best models, or the ones with the deepest operational and workforce data tied directly to real-world workflows?

The best models will matter, but I do not believe models alone will define the winners in enterprise AI.

In the enterprise, intelligence is only valuable if it understands the context of work and can help people take the right action. That is especially true in workforce operations, where a recommendation may depend on who is scheduled, who is qualified, what rules apply, what demand looks like, what pay implications exist, and what risk or compliance issue may be created downstream.

A model without that operational context can generate an answer. A platform with the right workforce data, business rules, workflow context, and governance can help drive an outcome.

This is why an intelligence layer, which is what we’ve created with our Workforce Intelligence Hub, is so important. AI sitting on top of a system has limited value. Intelligence should be embedded into the flow of work, able to interpret signals, understand operational constraint, and surface decisions that matter most.

That is where I think the market is headed. As models become more powerful and more accessible, differentiation will come from how well AI is grounded in real-world workflows and how safely it can move from insight to action.

For the frontline, that distinction is critical. Work changes constantly, and decisions have immediate consequences for employees, managers, customers, patients, and the business.

The companies that win in enterprise AI will not simply have AI that sounds intelligent. They will have AI that understands how work actually happens — and can help organizations operate with more speed, precision, trust, and humanity.

Cảm ơn cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm có thể truy cập UKG.